ਘੱਟੋ-ਘੱਟ ਵਰਗ ਵਿਧੀ

ਘੱਟੋ-ਘੱਟ ਵਰਗ ਵਿਧੀ: ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਜਾਣ-ਪਛਾਣ ਅਤੇ ਉਪਯੋਗ

ਪੇਂਡਹੁਲੁਆਨ

ਘੱਟੋ-ਘੱਟ ਵਰਗ ਵਿਧੀ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਸਭ ਤੋਂ ਬੁਨਿਆਦੀ ਅਤੇ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਵਰਤੀਆਂ ਜਾਣ ਵਾਲੀਆਂ ਤਕਨੀਕਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ, ਖਾਸ ਕਰਕੇ ਅੰਕੜਿਆਂ ਅਤੇ ਲਾਗੂ ਗਣਿਤ ਵਿੱਚ। ਇਸ ਵਿਧੀ ਦਾ ਉਦੇਸ਼ ਉਹਨਾਂ ਮਾਪਦੰਡਾਂ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣਾ ਹੈ ਜੋ ਪ੍ਰਸਤਾਵਿਤ ਮਾਡਲ ਤੋਂ ਦੇਖੇ ਗਏ ਭਟਕਣਾਂ ਦੇ ਵਰਗਾਂ ਦੇ ਜੋੜ ਨੂੰ ਘੱਟ ਤੋਂ ਘੱਟ ਕਰਦੇ ਹਨ। ਇਸ ਲੇਖ ਵਿੱਚ, ਅਸੀਂ ਘੱਟੋ-ਘੱਟ ਵਰਗ ਵਿਧੀ ਦੀਆਂ ਮੂਲ ਧਾਰਨਾਵਾਂ, ਵੱਖ-ਵੱਖ ਖੇਤਰਾਂ ਵਿੱਚ ਇਸਦੇ ਉਪਯੋਗਾਂ ਅਤੇ ਇਸਨੂੰ ਲਾਗੂ ਕਰਨ ਲਈ ਵਿਹਾਰਕ ਕਦਮਾਂ ਦੀ ਪੜਚੋਲ ਕਰਾਂਗੇ।

ਘੱਟੋ-ਘੱਟ ਵਰਗ ਵਿਧੀ ਦੇ ਮੂਲ ਸੰਕਲਪ

Least Squares ਵਿਧੀ ਨੂੰ ਸਿਰਫ਼ ਲੀਨੀਅਰ ਰਿਗਰੈਸ਼ਨ ਰਾਹੀਂ ਸਮਝਾਇਆ ਜਾ ਸਕਦਾ ਹੈ। ਮੰਨ ਲਓ ਸਾਡੇ ਕੋਲ ਜੋੜਿਆਂ ਦੇ ਰੂਪ ਵਿੱਚ ਡੇਟਾ ਹੈ \((x_i, y_i)\) ਜਿੱਥੇ \( i = 1, 2, …, n \)। ਅਸੀਂ ਜਿਸ ਲੀਨੀਅਰ ਮਾਡਲ ਨੂੰ ਬਣਾਉਣਾ ਚਾਹੁੰਦੇ ਹਾਂ ਉਸਨੂੰ ਇਸ ਤਰ੍ਹਾਂ ਦਰਸਾਇਆ ਜਾ ਸਕਦਾ ਹੈ:
\[ y = \beta_0 + \beta_1 x + \epsilon \]
ਜਿੱਥੇ \( \beta_0 \) ਅਤੇ \( \beta_1 \) ਉਹ ਪੈਰਾਮੀਟਰ ਹਨ ਜਿਨ੍ਹਾਂ ਦਾ ਅਸੀਂ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣਾ ਚਾਹੁੰਦੇ ਹਾਂ, ਜਦੋਂ ਕਿ \( \epsilon \) ਉਹ ਗਲਤੀ ਜਾਂ ਬਕਾਇਆ ਹੈ ਜਿਸਦਾ ਔਸਤ ਜ਼ੀਰੋ ਹੋਣ ਦੀ ਉਮੀਦ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।

ਘੱਟੋ-ਘੱਟ ਵਰਗ ਵਿਧੀ ਦਾ ਟੀਚਾ ਹੇਠ ਲਿਖੇ ਉਦੇਸ਼ ਕਾਰਜ ਨੂੰ ਘੱਟ ਤੋਂ ਘੱਟ ਕਰਨਾ ਹੈ:
\[ S(\beta_0, \beta_1) = \sum_{i=1}^{n} (y_i – \beta_0 – \beta_1 x_i)^2 \]

ਅਨੁਕੂਲ ਮਾਪਦੰਡ ਲੱਭਣਾ: ਇੱਕ ਗਣਿਤਿਕ ਪਹੁੰਚ

ਉਦੇਸ਼ ਫੰਕਸ਼ਨ \( S \) ਨੂੰ ਘੱਟ ਤੋਂ ਘੱਟ ਕਰਨ ਵਾਲੇ ਪੈਰਾਮੀਟਰ ਮੁੱਲਾਂ ਨੂੰ ਲੱਭਣ ਲਈ, ਸਾਨੂੰ \( \beta_0 \) ਅਤੇ \( \beta_1 \) ਦੇ ਸਬੰਧ ਵਿੱਚ \( S \) ਦੇ ਅੰਸ਼ਕ ਡੈਰੀਵੇਟਿਵਜ਼ ਦੀ ਗਣਨਾ ਕਰਨ ਦੀ ਲੋੜ ਹੈ, ਅਤੇ ਫਿਰ ਹੇਠਾਂ ਦਿੱਤੇ ਸਮੀਕਰਨ ਨੂੰ ਹੱਲ ਕਰੋ:

\[ \frac{\ਅੰਸ਼ਕ S}{\ਅੰਸ਼ਕ \beta_0} = -2 \sum_{i=1}^n (y_i – \beta_0 – \beta_1 x_i) = 0 \]
\[ \frac{\ਅੰਸ਼ਕ S}{\ਅੰਸ਼ਕ \beta_1} = -2 \sum_{i=1}^n x_i (y_i – \beta_0 – \beta_1 x_i) = 0 \]

ਰੇਖਿਕ ਸਮੀਕਰਨਾਂ ਦੀ ਇਸ ਪ੍ਰਣਾਲੀ ਨੂੰ ਹੱਲ ਕਰਕੇ, ਅਸੀਂ ਅਨੁਮਾਨਕ \(\hat{\beta_0}\) ਅਤੇ \(\hat{\beta_1}\) ਲੱਭ ਸਕਦੇ ਹਾਂ:
\[ \hat{\beta_1} = \frac{n \sum_{i=1}^n x_i y_i – \sum_{i=1}^n x_i \sum_{i=1}^n y_i}{n \sum_{i=1}^n x_i^2 – (\sum_{i=1}^n x_i)^2} \]
\[ \ਟੋਪੀ{\ਬੀਟਾ_0} = \ਬਾਰ{ਵਾਈ} – \ਟੋਪੀ{\ਬੀਟਾ_1} \ਬਾਰ{x} \]

ਜਿੱਥੇ \(\bar{y}\) ਅਤੇ \(\bar{x}\) ਕ੍ਰਮਵਾਰ \(y\) ਅਤੇ \(x\) ਦੇ ਔਸਤ ਹਨ।

ਘੱਟੋ-ਘੱਟ ਵਰਗ ਵਿਧੀ ਦੀ ਵਰਤੋਂ

1. ਅਰਥ ਸ਼ਾਸਤਰ ਅਤੇ ਵਿੱਤ

ਆਰਥਿਕ ਵੇਰੀਏਬਲਾਂ ਵਿਚਕਾਰ ਸਬੰਧਾਂ ਨੂੰ ਮਾਡਲ ਕਰਨ ਲਈ ਅਰਥਮਿਤੀ ਵਿੱਚ ਘੱਟੋ-ਘੱਟ ਵਰਗਾਂ ਦਾ ਤਰੀਕਾ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਉਦਾਹਰਣ ਵਜੋਂ, ਇੱਕ ਆਰਥਿਕ ਵਿਸ਼ਲੇਸ਼ਕ ਮਹਿੰਗਾਈ 'ਤੇ ਬੇਰੁਜ਼ਗਾਰੀ ਦਰ ਦੇ ਪ੍ਰਭਾਵ ਨੂੰ ਮਾਡਲ ਕਰਨਾ ਚਾਹ ਸਕਦਾ ਹੈ। ਘੱਟੋ-ਘੱਟ ਵਰਗਾਂ ਦੇ ਢੰਗ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਵਿਸ਼ਲੇਸ਼ਕ ਇੱਕ ਰਿਗਰੈਸ਼ਨ ਮਾਡਲ ਵਿਕਸਤ ਕਰ ਸਕਦਾ ਹੈ ਜੋ ਦੋ ਵੇਰੀਏਬਲਾਂ ਨੂੰ ਜੋੜਦਾ ਹੈ ਅਤੇ ਸਬੰਧਾਂ ਦੀ ਤਾਕਤ ਅਤੇ ਪ੍ਰਕਿਰਤੀ ਬਾਰੇ ਅੰਕੜਾਤਮਕ ਅਨੁਮਾਨ ਲਗਾਉਂਦਾ ਹੈ।

2. ਸਮਾਜਿਕ ਵਿਗਿਆਨ

ਸਮਾਜਿਕ ਵਿਗਿਆਨ ਵਿੱਚ, ਘੱਟੋ-ਘੱਟ ਵਰਗਾਂ ਦਾ ਤਰੀਕਾ ਅਕਸਰ ਸਰਵੇਖਣਾਂ ਅਤੇ ਮਨੋਵਿਗਿਆਨਕ ਖੋਜਾਂ ਵਿੱਚ ਮਨੁੱਖੀ ਵਿਵਹਾਰ ਅਤੇ ਹੋਰ ਵੇਰੀਏਬਲਾਂ ਵਿਚਕਾਰ ਸਬੰਧਾਂ ਦਾ ਅਧਿਐਨ ਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਇੱਕ ਸ਼ਾਨਦਾਰ ਉਦਾਹਰਣ ਇੱਕ ਸਧਾਰਨ ਰੇਖਿਕ ਰਿਗਰੈਸ਼ਨ ਹੈ ਜੋ ਇੱਕ ਵਿਅਕਤੀ ਦੇ ਖੁਸ਼ੀ ਦੇ ਪੱਧਰ ਨੂੰ ਉਸਦੀ ਸਾਲਾਨਾ ਆਮਦਨ ਨਾਲ ਜੋੜਦਾ ਹੈ।

3. ਇੰਜੀਨੀਅਰਿੰਗ

ਇੰਜੀਨੀਅਰਿੰਗ ਵਿੱਚ, ਯੰਤਰ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਅਤੇ ਸਿਗਨਲ ਪ੍ਰੋਸੈਸਿੰਗ ਲਈ ਘੱਟੋ-ਘੱਟ ਵਰਗ ਵਿਧੀ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ। ਉਦਾਹਰਣ ਵਜੋਂ, ਡਿਜੀਟਲ ਚਿੱਤਰ ਪ੍ਰੋਸੈਸਿੰਗ ਵਿੱਚ, ਇਸ ਵਿਧੀ ਦੀ ਵਰਤੋਂ ਨਿਰੀਖਣ ਕੀਤੇ ਡੇਟਾ ਦੇ ਅਧਾਰ ਤੇ ਇੱਕ ਮਾਡਲ ਫਿੱਟ ਕਰਕੇ ਚਿੱਤਰਾਂ ਵਿੱਚ ਸ਼ੋਰ ਘਟਾਉਣ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।

4. ਮੌਸਮ ਵਿਗਿਆਨ ਅਤੇ ਜਲਵਾਯੂ ਵਿਗਿਆਨ

ਮੌਸਮ ਵਿਗਿਆਨੀ ਇਸ ਵਿਧੀ ਦੀ ਵਰਤੋਂ ਤਾਪਮਾਨ, ਬਾਰਿਸ਼, ਜਾਂ ਹੋਰ ਮੌਸਮੀ ਵੇਰੀਏਬਲਾਂ ਨਾਲ ਸਬੰਧਤ ਡੇਟਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਲਈ ਕਰਦੇ ਹਨ। ਰਿਗਰੈਸ਼ਨ ਮਾਡਲਾਂ ਦੇ ਨਾਲ, ਉਹ ਇਤਿਹਾਸਕ ਡੇਟਾ ਦੇ ਅਧਾਰ ਤੇ ਮੌਸਮ ਦੇ ਪੈਟਰਨਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰ ਸਕਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਵਧੇਰੇ ਸਹੀ ਭਵਿੱਖਬਾਣੀਆਂ ਕਰਨ ਵਿੱਚ ਮਦਦ ਮਿਲਦੀ ਹੈ।

ਪਾਈਥਨ ਨਾਲ ਵਿਹਾਰਕ ਲਾਗੂਕਰਨ

ਅਭਿਆਸ ਵਿੱਚ ਘੱਟੋ-ਘੱਟ ਵਰਗ ਵਿਧੀ ਨੂੰ ਲਾਗੂ ਕਰਨ ਲਈ, ਖਾਸ ਕਰਕੇ ਸਧਾਰਨ ਲੀਨੀਅਰ ਰਿਗਰੈਸ਼ਨ, ਅਸੀਂ `numpy` ਅਤੇ `matplotlib` ਲਾਇਬ੍ਰੇਰੀਆਂ ਦੀ ਮਦਦ ਨਾਲ Python ਪ੍ਰੋਗਰਾਮਿੰਗ ਭਾਸ਼ਾ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹਾਂ। ਇੱਥੇ ਇੱਕ ਕੋਡ ਉਦਾਹਰਣ ਹੈ ਜੋ ਇਸ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ:

''ਪਾਇਥਨ
NP ਦੇ ਤੌਰ ਤੇ ਨਿੰਪੀ ਆਯਾਤ
plp ਦੇ ਤੌਰ ਤੇ matplotlib.pyplot ਇੰਪੋਰਟ ਕਰੋ

ਨਮੂਨਾ ਡੇਟਾ
x = np.array([1, 2, 3, 4, 5])
y = np.array([2, 3, 5, 7, 11])

x ਅਤੇ y ਦਾ ਔਸਤ
ਮਤਲਬ_x = np. ਮਤਲਬ(x)
ਮਤਲਬ_y = np. ਮਤਲਬ(y)

ਪੈਰਾਮੀਟਰਾਂ ਦੀ ਗਣਨਾ ਕਰੋ
ਅੰਕ = np.sum((x – mean_x) (y – mean_y))
ਹਰ = np.sum((x – mean_x) 2)
b1 = ਅੰਸ਼ / ਹਰ
b0 = ਮੱਧਮਾਨ_y – b1 ਮੱਧਮਾਨ_x

ਭਵਿੱਖਬਾਣੀ y
y_pred = b0 + b1 x

ਪਲਾਟ ਨਤੀਜੇ
plt.scatter(x, y, ਰੰਗ='ਨੀਲਾ', ਲੇਬਲ='ਨਿਰੀਖਣ ਡੇਟਾ')
plt.plot(x, y_pred, ਰੰਗ='ਲਾਲ', ਲੇਬਲ='ਰਿਗਰੈਸ਼ਨ ਲਾਈਨ')
plt.xlabel('x')
plt.ylabel('y')
plt.legend()
plt.show ()

ਪ੍ਰਿੰਟ(f”ਰਿਗਰੈਸ਼ਨ ਗੁਣਾਂਕ: b0 = {b0}, b1 = {b1}”)
“

ਸਿੱਟਾ

ਘੱਟੋ-ਘੱਟ ਵਰਗਾਂ ਦਾ ਤਰੀਕਾ ਅੰਕੜਿਆਂ ਅਤੇ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਅਤੇ ਜ਼ਰੂਰੀ ਨੀਂਹ ਹੈ। ਗਲਤੀਆਂ ਨੂੰ ਘੱਟ ਕਰਨ ਅਤੇ ਮਾਡਲ ਫਿੱਟ ਨੂੰ ਵੱਧ ਤੋਂ ਵੱਧ ਕਰਨ ਦੀ ਇਸਦੀ ਯੋਗਤਾ ਇਸਨੂੰ ਅਰਥਸ਼ਾਸਤਰ ਤੋਂ ਲੈ ਕੇ ਇੰਜੀਨੀਅਰਿੰਗ ਅਤੇ ਸਮਾਜਿਕ ਵਿਗਿਆਨ ਤੱਕ, ਖੇਤਰਾਂ ਦੀ ਇੱਕ ਵਿਸ਼ਾਲ ਸ਼੍ਰੇਣੀ ਵਿੱਚ ਬਹੁਤ ਉਪਯੋਗੀ ਬਣਾਉਂਦੀ ਹੈ। ਜਦੋਂ ਕਿ ਮੂਲ ਸੰਕਲਪ ਸਰਲ ਹੈ, ਇਸ ਵਿਧੀ ਨੂੰ ਹੋਰ ਗੁੰਝਲਦਾਰ ਮਾਡਲਾਂ ਜਿਵੇਂ ਕਿ ਗੈਰ-ਰੇਖਿਕ ਰਿਗਰੈਸ਼ਨ, ਮਿਸ਼ਰਤ-ਪ੍ਰਭਾਵ ਮਾਡਲ, ਅਤੇ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਤੱਕ ਵਧਾਇਆ ਜਾ ਸਕਦਾ ਹੈ। ਘੱਟੋ-ਘੱਟ ਵਰਗਾਂ ਦੇ ਢੰਗ ਦੀ ਚੰਗੀ ਸਮਝ ਅਤੇ ਕਾਫ਼ੀ ਅਭਿਆਸ ਨਾਲ, ਅਸੀਂ ਆਪਣੇ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਸ਼ੁੱਧਤਾ ਨੂੰ ਬਿਹਤਰ ਬਣਾ ਸਕਦੇ ਹਾਂ ਅਤੇ ਵਧੇਰੇ ਸੂਚਿਤ ਫੈਸਲੇ ਲੈ ਸਕਦੇ ਹਾਂ।

ਉਮੀਦ ਹੈ ਕਿ ਇਹ ਲੇਖ ਘੱਟੋ-ਘੱਟ ਵਰਗ ਵਿਧੀ ਅਤੇ ਇਸਦੇ ਉਪਯੋਗਾਂ ਬਾਰੇ ਇੱਕ ਸਪਸ਼ਟ ਅਤੇ ਵਿਆਪਕ ਸੰਖੇਪ ਜਾਣਕਾਰੀ ਪ੍ਰਦਾਨ ਕਰੇਗਾ।